-A brain computer interface (BCI) is a system that communicates a person with an electronic device by means of mental signals. Pattern recognition is an important module for BCIs because it translates brain activity into commands for the activation of a machine. This paper aims at presenting the relation between mental practice and the algorithm classifier support vector machine in combination with the magnitude squared coherence for the classification of motor imagery movements of the index finger (imagination and spontaneous). An accuracy of 98 % was found with one subject with the training of the machine with data for the four sessions and validation of session 5. Furthermore, an incremental accuracy of the classification around the different sessions was found for all subjects with mental practice. This approach could be used for the development of BCIs.Keywords -Mental Practice, coherence, SVM. IntroduçãoA interface cérebro máquina (ICM) é um sistema capaz de comunicar um indivíduo e um dispositivo eletrônico mediante o processamento de sinais cerebrais. O principal objetivo é auxiliar pessoas com deficiência por meio do controle de membros artificiais [1].O reconhecimento de padrões de sinais de eletroencefalografia (EEG) relacionado a tarefas mentais é um módulo muito importante dentro da investigação das ICMs [2]. Para controlar este tipo de interface, os padrões devem ser identificados e convertidos em comandos para acionar uma máquina. Esta identificação é feita pelo uso de algoritmos de classificação. Dentre os classificadores, pode-se citar: classificadores lineares, redes neurais, classificadores bayesianos não lineares, classificadores do vizinho próximo e a combinação de classificadores [3]. Os estudos realizados por Ahmadi et al [4] demonstraram que a utilização de redes neurais probabilísticas recorrentes para classificação de movimentos de preensão da mão direta e esquerda com prática mental incrementou a taxa de acerto da primeira sessão (80%) -processamento off line e sem treinamento-em comparação com a última sessão e utilizando uma única imaginação (73% a 91%). Entretanto, Ming et al [5] utilizaram a Máquina de Vetores de Suporte (SVM) em conjunto com análises de componentes independentes para a classificação de movimentos motores encontrando uma taxa de acerto entre 77,6% e 91,4%.Um dos fatores mais importantes para a robustez dos classificadores é a extração de características. A técnica estatística magnitude quadrática da coerência (MSC) tem-se mostrado promissora para a detecção de tarefas motoras [6]. Por conseguinte, a MSC é utilizada neste trabalho como entrada para o algoritmo de classificação. O classificador utilizado é a máquina de vetores de suporte (SVM) porque em ICMs obteve-se os melhores resultados em experimentos síncronos e é robusto com respeito a altas dimensionalidades [3].Visando favorecer a identificação de padrões de atividade cerebral relacionada à imaginação motora (IM), este estudo tem como objetivo verificar se a prática mental baseada em IM influencia s...